一种识别未佩戴安全帽的方法、装置及介质与流程

1.本技术涉及图像处理技术领域，特别是涉及一种识别未佩戴安全帽的方法、装置及介质。


背景技术：

2.在法律法规健全的今天，如何保证生产安全，是每一个建筑企业关心的大事和难事。为了实现这一目标，建筑企业们除了在施工门口、墙上写上警示语，甚至派人专职监控摄像视频，可是效果却微乎其微。利用警示语达到目的完全依靠工人的自觉性才能实现，人工监控需要大量的人力和财力，而且长时间的监控要求，人力工作容易疲劳怠工，存在漏报的风险。随着深度学习的发展，利用人工智能设备能够在一定程度检测人员佩戴安全帽情况，解放人力。
3.传统的安全帽佩戴的检测方法，如通过图像的红绿蓝(red green blue，rgb)分量、图像中目标的外形轮廓等检测是否佩戴安全帽，易受光线，相机高度、角度等环境因素的制约，容易将戴安全帽误识别成未佩戴安全帽，从而导致安全帽佩戴的检测结果准确度不高。
4.由此可见，如何提高识别佩戴安全帽的准确性，是本领域技术人员亟待解决的问题。


技术实现要素：

5.本技术的目的是提供一种识别未佩戴安全帽的方法、装置及介质，用于提高识别佩戴安全帽的准确性。
6.为解决上述技术问题，本技术提供一种识别未佩戴安全帽的方法，包括：
7.获取待测图片中目标的头肩图；其中所述目标的所述头肩图的尺寸小于所述待测图片的尺寸；
8.提取所述头肩图的特征；
9.将所述头肩图的特征输入至预设的分类支路；
10.通过所述分类支路对所述头肩图进行是否佩戴安全帽的分类判断；
11.在所述头肩图未分类为佩戴安全帽的情况下，通过特征匹配支路提取所述头肩图的特征向量；
12.将提取出的所述头肩图的所述特征向量与预先存放在数据库中的样本图的特征向量进行比对；
13.在特征比对的置信度小于阈值的情况下，识别所述目标未佩戴安全帽。
14.优选地，所述提取所述头肩图的特征包括：
15.提取所述头肩图的全局特征；
16.通过stn模块对所述头肩图进行校正，并利用强制分割特征模块提取所述头肩图中所述目标的局部特征；
17.拼接所述头肩图的全局特征以及所述头肩图中所述目标的局部特征以作为提取出的所述头肩图的特征。
18.优选地，所述通过所述分类支路对所述头肩图进行是否佩戴安全帽的分类判断包括：
19.通过所述分类支路对所述头肩图至少进行戴安全帽、戴除所述安全帽之外的其它帽子、不戴帽子的分类判断。
20.优选地，获取预先存放在所述数据库中的所述样本图的特征向量包括：
21.获取至少包括各安全帽样式的图片、在不同方位、不同角度和不同光线强度情况下佩戴各所述安全帽的图片并将获得的各所述图片作为所述样本图；
22.将各所述样本图送入特征提取器以便获取各所述样本图对应的特征向量；
23.将各所述样本图对应的特征向量存放至所述数据库中。
24.优选地，在所述特征比对的置信度小于阈值的情况下，识别所述目标未佩戴安全帽之后，还包括：
25.获取误分类为未戴安全帽的所述头肩图；
26.提取误分类为未戴安全帽的所述头肩图的特征；
27.将误分类为未戴安全帽的所述头肩图的特征添加至所述数据库。
28.优选地，所述获取待测图片中目标的头肩图，包括：
29.使用yolov5检测所述待测图片中所述目标的头肩位置坐标；
30.从所述待测图片中抠出所述目标的所述头肩图。
31.优选地，在所述特征比对的置信度小于阈值的情况下，识别所述目标未佩戴安全帽之后，还包括：
32.输出用于提示未戴安全帽的提示信息。
33.为了解决上述技术问题，本技术还提供一种识别未佩戴安全帽的装置，包括：
34.获取模块，用于获取待测图片中目标的头肩图；其中所述目标的所述头肩图的尺寸小于所述待测图片的尺寸；
35.第一提取模块，用于提取所述头肩图的特征；
36.输入模块，用于将所述头肩图的特征输入至预设的分类支路；
37.判断模块，用于通过所述分类支路对所述头肩图进行是否佩戴安全帽的分类判断，若否，则触发第二提取模块；
38.所述第二提取模块，用于在所述头肩图未分类为佩戴安全帽的情况下，通过特征匹配支路提取所述头肩图的特征向量；
39.比对模块，用于将提取出的所述头肩图的向量特征与预先存放在数据库中的样本图的特征向量进行比对；
40.识别模块，用于在特征比对的置信度小于阈值的情况下，识别所述目标未佩戴安全帽。
41.为了解决上述技术问题，本技术还提供一种识别未佩戴安全帽的装置，包括：
42.存储器，用于存储计算机程序；
43.处理器，用于执行所述计算机程序时实现上述的识别未佩戴安全帽的方法的步骤。
44.为了解决上述技术问题，本技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的识别未佩戴安全帽的方法的步骤。
45.本技术所提供的识别未佩戴安全帽的方法，该方法包括：提取头肩图的特征；将头肩图的特征输入至预设的分类支路；通过分类支路对头肩图进行是否佩戴安全帽的分类判断；在头肩图未分类为佩戴安全帽的情况下，通过特征匹配支路提取头肩图的特征向量；将提取出的头肩图的向量特征与预先存放在数据库中的样本图的特征向量进行比对；在特征比对的置信度小于阈值时，识别目标未佩戴安全帽。该方法中先在分类支路中判断目标是否未佩戴安全帽，在判断出未佩戴安全帽的情况下，进一步地通过特征匹配支路再次确定目标是否未佩戴安全帽。由此可见，该方法能够减少误识别为未佩戴安全帽的情况，从而提高识别佩戴安全帽的准确性。
46.此外，本技术还提供一种识别未佩戴安全帽的装置、计算机可读存储介质，与上述提到的识别未佩戴安全帽的方法相对应，效果同上。
附图说明
47.为了更清楚地说明本技术实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
48.图1为本技术实施例提供的一种识别未佩戴安全帽的方法；
49.图2为本技术实施例提供的网络的整体结构图；
50.图3为本技术的一实施例提供的识别未佩戴安全帽的装置的结构图；
51.图4为本技术另一实施例提供的识别未佩戴安全帽的装置的结构图；
52.图5为本技术实施例提供的识别未佩戴安全帽的应用场景图。
具体实施方式
53.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本技术保护范围。
54.本技术的核心是提供一种识别未佩戴安全帽的方法、装置及介质，用于提高识别佩戴安全帽的准确性。
55.现有的一些检测未戴安全帽的方案，比较重视对戴安全帽的正确识别，忽略了客户对未戴安全帽正确识别的高要求。戴安全帽识别成不戴安全帽，会降低方案的可信度，影响实用性，并与解放人力的意愿相悖。在实际应用中，未戴安全帽的情况只有两种，一种是戴其它帽子，一种是不戴帽子。受环境和目标姿态等影响，戴安全帽非常容易被识别成不戴安全帽造成误报。比如受颜色、轮廓和角度等影响，安全帽与棒球帽之间的类别特征差距很小，易产生安全帽识别成棒球帽的错误分类；受背光、逆光等光线的影响，有时人眼都很难看清头部信息，造成戴安全帽识别成不戴帽子；仰头、低头使得待识别的安全帽区域较小，导致戴安全帽识别成不戴帽子。因此，本技术通过特征比对来减少误识别为未佩戴安全帽
的情况的发生，从而提高识别佩戴安全帽的准确性。需要说明的是，本技术提供的是对识别佩戴安全帽的情况的分析，但是在实际中，对于识别除安全帽之外的任意一种帽子同样也可以采用本技术所提供的方法，均在本技术的保护范围内。
56.为了使本技术领域的人员更好地理解本技术方案，下面结合附图和具体实施方式对本技术作进一步的详细说明。图1为本技术实施例提供的一种识别未佩戴安全帽的方法，包括：
57.s10：获取待测图片中目标的头肩图；其中目标的头肩图的尺寸小于待测图片的尺寸。
58.本技术实施例中将需要识别目标是否佩戴安全帽的图片称为待测图片。待测图片可能是包含目标整个身体的图片，也可能是包含目标上半身的图片等。由于本技术是对目标是否佩戴安全帽进行识别，因此为了能够更加快速、准确地获得识别的结果，在实施中，从待测图片中获取仅仅包含目标头肩的小图，目标头肩图的尺寸小于待测图片的尺寸。
59.s11：提取头肩图的特征。
60.传统的识别佩戴安全帽的方法，容易受光线等的影响，导致一些佩戴安全帽的情况被误识别为未佩戴安全帽。因此本实施例通过提取头肩图的特征，根据提取出的头肩图的特征对头肩图进行分类以及进行特征比对来减少误识别为未佩戴安全帽情况的发生。对上述步骤中获得的头肩图进行特征提取，得到头肩图的特征。
61.s12：将头肩图的特征输入至预设的分类支路。
62.s13：通过分类支路对头肩图进行是否佩戴安全帽的分类判断，若否，则进入步骤s14。
63.将头肩图的特征输入至预设的分类支路，通过分类支路对头肩图进行是否佩戴安全帽的分类的判断。由于分类支路的样本至少包含戴安全帽、带除安全帽之外的其它帽子和不戴帽子，因此通过分类支路至少可以分类出戴安全帽、带除安全帽之外的其它帽子和不戴帽子这三种情况。
64.分类支路仅有两个全连接层组成，分类支路在对输入的头肩图的特征进行特征提取后直接进行分类，最后一个全连接层的输出是输入特征分属于三类的各自概率，选择概率最大的类别作为输入特征对应目标图像的所属类别。
65.s14：在头肩图未分类为佩戴安全帽的情况下，通过特征匹配支路提取头肩图的特征向量；
66.s15：将提取出的头肩图的特征向量与预先存放在数据库中的样本图的特征向量进行比对。
67.为避免因复杂环境影响造成的与其他帽子相似度较高的安全帽被识别成其他帽子，或者因光线影响导致佩戴了安全帽的目标被识别为未佩戴安全帽等的误识别情况，需要对通过分类支路分类为未佩戴安全帽的头肩图进行进一步地判断。本实施例中通过特征匹配支路提取头肩图的特征向量，将头肩图的特征向量与预先存放在数据库中的样本图的特征向量进行比对。遍历数据库中的每一个特征向量，分别计算头肩图的特征向量与数据库中每一个特征向量的余弦相似度。对于作为样本的图片不作限定，优选地，作为样本的图片为根据应用场景，收集的不同光线、不同距离、不同姿态下佩戴不同颜色安全帽的头肩图，和容易被误识别的安全帽头肩图。
68.s16：在特征比对的置信度小于阈值的情况下，识别目标未佩戴安全帽。
69.经过上述步骤的特征比对，当特征比对的置信度均小于阈值时，就可以认为头肩图中佩戴的安全帽不在数据库中所记录的安全帽中，确认目标未佩戴安全帽。此处对于阈值具体的数值不作限定，根据实际情况选择合适的阈值。
70.图2为本技术实施例提供的网络的整体结构图。如图2所示，网络的整体结构包括：主干网络1、分类支路2以及特征匹配支路3。输入图像为头肩小图。主干网络的作用是从图片的低级语义表达中提取出高级语义特征表达。
71.主干网络后面连接着两条支路，一个是分类支路，一个是特征匹配支路。分类支路用来对头肩小图戴不戴安全帽进行分类，特征匹配支路用来将分类网络的结果进行进一步的过滤。分类支路仅由两个全连接层组成，最后一个全连接层的输出个数是分类模型支持的类别数，输出值是各类别的概率值。特征匹配支路由两个全连接层组成。第一个全连接层用来融合全局与局部信息，其尺寸是1024*512。最后1个连接层输出一个1*218维的特征向量。主干网络 分类支路是一个完整的分类器，主干网络 特征匹配支路是一个完整的特征提取器。分类器和特征提取器共用一个主干网络有两个好处：1.大大降低参数量，减小所需内存；2.大大减少计算量，有效减少提前推理时间。由分类支路输出的是目标图像各类别的概率值，而由特征匹配支路输出的是固定维数的特征向量。实际应用时，当某一样本被分类模型识别成应报样本时，将其在主干网络的输出提取出来送入到特征匹配支路，得到和数据库中同级表达的特征向量。遍历数据库中的每一个向量，分别计算各向量与应报样本特征的余弦相似度，如果存在一个度量值大于设置的阈值，则认为该上报样本的目标戴安全帽，分类模型分别错误，不报警。而当分类支路将样本识别成安全帽时，特征匹配支路则不对其分析。特征比对方式规避误报具有非常强的及时性，能够快速响应局点需求。当有误报发生时，只需要将误报样本添加到数据库中，即可避免同能误报的发生，为收集素材，优化分类模型留出时间。
72.分类支路将头肩小图识别成安全帽时，该样本结束分析；分类支路将头肩小图识别成不戴安全帽时，应上报该样本，但是为避免因分类模型能力造成的误报的发生，将应上报样本送入到特征匹配支路，使该样本与预先存储在数据库中的特征向量进行相似度度量，只有该样本与数据库中每个特征向量的相似度都小于某个阈值时，才最终判别为不戴安全帽进行上报。
73.本实施例所提供的识别未佩戴安全帽的方法，包括：提取头肩图的特征；将头肩图的特征输入至预设的分类支路；通过分类支路对头肩图进行是否佩戴安全帽的分类判断；在头肩图未分类为佩戴安全帽的情况下，通过特征匹配支路提取头肩图的特征向量；将提取出的头肩图的向量特征与预先存放在数据库中的样本图的特征向量进行比对；在特征比对的置信度小于阈值时，识别目标未佩戴安全帽。该方法中先在分类支路中判断目标是否未佩戴安全帽，在判断出未佩戴安全帽的情况下，进一步地通过特征匹配支路再次确定目标是否未佩戴安全帽。由此可见，该方法能够减少误识别为未佩戴安全帽的情况，从而提高识别佩戴安全帽的准确性。
74.为了较准确地对头肩小图中目标是否佩戴安全帽进行识别，在实施中，作为优选地实施方式，提取头肩图的特征包括：
75.提取头肩图的全局特征；
76.通过stn模块对头肩图进行校正，并利用强制分割特征模块提取头肩图中目标的局部特征；
77.拼接头肩图的全局特征以及头肩图中目标的局部特征以作为提取出的头肩图的特征。
78.在头肩小图中，头部一般位于头肩小图的正上方，根据这一先验知识，可以直接将头肩特征的上半部分切割下来作为头顶局部特征，故本技术设计强制分割模块来提取头顶局部特征。但是在实际生产中，工作人员身姿千变万化，可能会低头、可能会侧身，或者因检测模型的能力造成头部区域不在头肩小图正上方。为解决该问题，本技术引入空间变压器网络(spatial transformer networks，stn)模块，该模块具有将头部区域矫正回正上方的功能。
79.stn模块具有空间不变形，它由三部分组成：本地网络(localization network)、网格生成器(grid genator)和采样器(sampler)。localization network是一个用来回归变换参数θ的网络，它的输入是特征图像，经过一系列的卷积输出，输出特征图像与输入特征间的空间变换参数θ。grid genator依据预测的变换参数将目标特征v上的像素点映射到源特征u上，表现了源特征u和目标特征v之间的映射关系。sampler则是根据grid genator的映射关系将源特征上的像素值映射到目标特征v对应的像素点上。
80.普通的神经网络可以通过迭代训练自发找到感兴趣区域，但有时受网络自身和数据的限制以及背景信息的影响，网络不易从全局信息中精确的找到感兴趣区域。为解决这个问题，通常在网络中嵌入自注意力模块，由自注意力模块自发学习输出每个像素点权重，并将权重叠加到原特征图上，突出关键区域的特征。这种像素级的计算方式比较耗费性能，在业务中不适用。考虑到检测戴不戴安全帽的任务中，感兴趣的头部区域一般在头肩小图的上部，而且即使不在上方，stn模块也会将其矫正，故本实施例提出强制分割模块：根据先验知识，利用强制分割模块从全局信息中直接分割出包含头顶区域的局部信息，最后拼接全局信息与局部信息作为最终的特征表达。此模块能够削弱背景信息的影响，增强重要区域对特征表达的权重。
81.本实施例基于resnet18的输入层至resnet4b层部分通过嵌入自适应学习关键区域模块来搭建主干网络，使主干网络对环境、人员身姿和类间细粒度小具有更强的鲁棒能力。自适应学习关键区域模块由stn模块和强制分割模块组成，并且这两个模块独立工作，分别位于res2a_relu和res4b_relu层后面。自适应学习关键区域模块通过联合stn模块和强制分割特征模块能够精确的突出重要特征的区域，提升网络的学习能力。强制分割模块由两个支路组成，一个是全局支路，由卷积层、池化层和一个输出是1*512维向量的全连接层构成，用来学习整个图片的全局信息；另一个是局部支路，基于slice层来提取头顶区域的局部特征。两种信息经过一个concat层连接在一起，即是对整个头肩小图最终的特征表达。
82.本实施例所提供的通过stn模块以及强制分割特征模块提取目标的局部特征的方法，通过stn模块，使得头部区域不在头肩小图正上方时能够主动矫正头部区域至头肩小图的正上方，从而能够对目标是否佩戴安全帽进行识别；通过强制分割特征模块能够削弱背景信息的影响，增强重要区域对特征表达的权重，从而能够较准确地对目标是否佩戴安全帽进行识别。
83.为了能够较准确地实现对目标是否佩戴安全帽进行识别，在实施中，作为优选地实施方式，通过分类支路对头肩图进行是否佩戴安全帽的分类判断包括：
84.通过分类支路对头肩图至少进行戴安全帽、戴除安全帽之外的其它帽子、不戴帽子的分类判断。
85.本实施例中，分类支路对头肩小图进行戴安全帽、戴其它帽子和不戴帽子三种类别的判断。正样本是戴安全帽样本，负样本是戴其它帽子和不带帽子样本。主干网络和分类支路组成了一个完整的分类网络，其训练集按着戴安全帽：戴其它帽子：不戴帽子＝2:1:1的数量比例组建。每个类别至少有5万个样本，100个场景。巨量数据可以尽可能的包含戴或不戴安全帽时各种存在的状态，能够提高模型的泛化能力。为对抗不同光线强度和清晰度对安全帽识别精度的影响，训练时，先使用colorjitter、gaussianblur等图像处理方法对数据进行预处理。主干网络的优化、数据量的扩增以及数据增强的使用可以保障分类网络具有极高的精确度。
86.本实施例所提供的对头肩图进行戴安全帽、带除安全帽之外的其它帽子和不戴帽子的识别，能够拉大安全帽和其他类别间的差距，减少安全帽误报的同时提高未戴安全帽的检出率；对分类支路认为未戴安全帽的样本再进行对比，能够有效过滤因分类支路误分类而导致的误报。
87.由于传统的安全帽佩戴的检测方法易受光线，相机高度、角度等环境因素的制约，容易将戴安全帽误识别成未佩戴安全帽，因此为了提高特征比对的准确性，优选地实施方式是，获取预先存放在数据库中的样本图的特征向量包括：
88.获取至少包括各安全帽样式的图片、在不同方位、不同角度和不同光线强度情况下佩戴各安全帽的图片并将获得的各图片作为样本图；
89.将各样本图送入特征提取器以便获取各样本图对应的特征向量；
90.将各样本图对应的特征向量存放至数据库中。
91.根据应用场景，收集不同光线、不同距离、不同姿态下佩戴不同颜色安全帽的头肩小图，和容易被误识别的安全帽头肩小图；接着将把头肩小图送入到特征提取器中，得到各自对应的特征表达向量，将其存放到数据库中。本实施例所提供的包含不同场景下的佩戴安全帽的特征的数据库，能够尽可能地提高特征比对的准确率，从而提高识别佩戴安全帽的准确性。
92.为了能够使数据库中的数据更加丰富，在实施中，在特征比对的置信度小于阈值的情况下，识别目标未佩戴安全帽之后，还包括：
93.获取误分类为未戴安全帽的头肩图；
94.提取误分类为未戴安全帽的头肩图的特征；
95.将误分类为未戴安全帽的头肩图的特征添加至数据库。
96.对于误分类为未佩戴安全帽的头肩图通常包括以下几种场景：
97.(1)由于颜色属性，分类模型将画面不清晰的安全帽样本识别成戴其它帽子时，数据库中加入这类样本，特征比对部分可以将其更正，减少误报；
98.(2)随着时间的积累，安全帽会褪色，与常规常见安全帽颜色产生很大差异，使分类模型易将其识别成其它帽子，数据库中加入这类样本，特征比对部分可以将其更正，减少误报；
99.(3)在逆光或背光场景下，画面不清晰头部区域较暗，分类模型将其识别成不戴帽子时，数据库中加入这类样本，特征比对部分可以将其更正，减少误报；
100.(4)根据生产需要，安全帽的外形会被改变，与常规外形产生差异，导致分类模型易将其识别成其它帽子，将此样本输入数据路，特征比对部分可以将其更正，减少误报。
101.本实施例所提供的将误分类为未戴安全帽的头肩图的特征向量添加至数据库，能够丰富数据库，一方面，提高特征比对的准确性；另一方面，使得当再次遇到具有该特征的头肩图时，通过特征比对能够快速地对该头肩图进行识别，提高识别佩戴安全帽的效率。
102.为了能够快速地检测到待测图片中目标的头肩，在实施中，作为优选地实施方式，获取待测图片中目标的头肩图，包括：
103.使用yolov5检测待测图片中目标的头肩位置坐标；
104.从待测图片中抠出目标的头肩图。
105.由于yolov5具有模型尺寸小、部署成本低、灵活性高、检测速度高等优点，因此，本实施例中采用yolov5来检测待测图片中目标的头肩，使得能够快速地获得到检测的结果。
106.为了能够及时地提醒目标佩戴安全帽，在特征比对的置信度小于阈值的情况下，识别目标未佩戴安全帽之后，还包括：
107.输出用于提示未戴安全帽的提示信息。
108.上述实施例通过分类支路分类出未佩戴安全帽的头肩图，对于分类为未佩戴安全帽的头肩图进一步地进行特征比对，从而减少了误认为是未佩戴安全帽的头肩图的情况的发生。对于确认出未佩戴安全帽的目标通过提示信息提醒目标及时佩戴安全帽，保障人身安全。此处对于输出提示信息的内容、形式等不作限定，只要能够提示存在分类的结果中包含未佩戴安全帽的情况即可。输出提示信息可以是通过蜂鸣器发出声音、警示灯闪烁来提示，也可以是通过显示屏等输出提示信息等。需要说明的是，本实施例的提示信息是用来提醒识别出未佩戴安全帽的目标及时佩戴安全帽，在实际中，在头肩图分类未分类为戴安全帽的情况下，也可以通过输出提示信息是用来提示需要进一步地对未分类为佩戴安全帽的情况进行分析。两次的提示信息可以相同，也可以不同。但是优选地，两次的提示信息采用不同的方式以便于用户能够区分开。
109.本实施例提供的在特征比对的置信度小于阈值的情况下，识别目标未佩戴安全帽之后，输出用于提示未戴安全帽的提示信息，能够及时地提醒目标佩戴安全帽，从而保障人身安全。
110.在上述实施例中，对于识别未佩戴安全帽的方法进行了详细描述，本技术还提供识别未佩戴安全帽的装置对应的实施例。需要说明的是，本技术从两个角度对装置部分的实施例进行描述，一种是基于功能模块的角度，另一种是基于硬件的角度。
111.图3为本技术的一实施例提供的识别未佩戴安全帽的装置的结构图。本实施例基于功能模块的角度，包括：
112.获取模块10，用于获取待测图片中目标的头肩图；其中目标的头肩图的尺寸小于待测图片的尺寸；
113.第一提取模块11，用于提取头肩图的特征；
114.输入模块12，用于将头肩图的特征输入至预设的分类支路；
115.判断模块13，用于通过分类支路对头肩图进行是否佩戴安全帽的分类判断，若否，
则触发第二提取模块14；
116.第二提取模块14，用于在头肩图未分类为佩戴安全帽的情况下，通过特征匹配支路提取头肩图的特征向量；
117.比对模块15，用于将提取出的头肩图的向量特征与预先存放在数据库中的样本图的特征向量进行比对；
118.识别模块16，用于在特征比对的置信度小于阈值的情况下，识别目标未佩戴安全帽。
119.由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
120.本实施例所提供的识别未佩戴安全帽的装置，通过获取模块获取待测图片中目标的头肩图；其中目标的头肩图的尺寸小于待测图片的尺寸；通过第一提取模块提取头肩图的特征；通过输入模块将头肩图的特征输入至预设的分类支路；经过判断模块，通过分类支路对头肩图进行是否佩戴安全帽的分类判断，若否，则触发第二提取模块，通过特征匹配支路提取头肩图的特征向量；通过比对模块将提取出的头肩图的向量特征与预先存放在数据库中的样本图的特征向量进行比对；通过识别模块在特征比对的置信度小于阈值的情况下，识别目标未佩戴安全帽。该装置中先在分类支路中判断目标是否未佩戴安全帽，在判断出未佩戴安全帽的情况下，进一步地通过特征匹配支路再次确定目标是否未佩戴安全帽。由此可见，通过该装置能够减少误识别为未佩戴安全帽的情况，从而提高识别佩戴安全帽的准确性。
121.图4为本技术另一实施例提供的识别未佩戴安全帽的装置的结构图。本实施例基于硬件角度，如图4所示，识别未佩戴安全帽的装置包括：
122.存储器20，用于存储计算机程序；
123.处理器21，用于执行计算机程序时实现如上述实施例中所提到的识别未佩戴安全帽的方法的步骤。
124.本实施例提供的识别未佩戴安全帽的装置可以包括但不限于智能手机、平板电脑、笔记本电脑或台式电脑等。
125.其中，处理器21可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器21可以采用数字信号处理器(digital signal processor，dsp)、现场可编程门阵列(field－programmable gate array，fpga)、可编程逻辑阵列(programmable logic array，pla)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称中央处理器(central processing unit，cpu)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器21可以集成有图形处理器(graphics processing unit，gpu)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器21还可以包括人工智能(artificial intelligence，ai)处理器，该ai处理器用于处理有关机器学习的计算操作。
126.存储器20可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器20还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器20至少用于存储以下计算机程序201，
其中，该计算机程序被处理器21加载并执行之后，能够实现前述任一实施例公开的识别未佩戴安全帽的方法的相关步骤。另外，存储器20所存储的资源还可以包括操作系统202和数据203等，存储方式可以是短暂存储或者永久存储。其中，操作系统202可以包括windows、unix、linux等。数据203可以包括但不限于上述所提到的识别未佩戴安全帽的方法所涉及到的数据等。
127.在一些实施例中，识别未佩戴安全帽的装置还可包括有显示屏22、输入输出接口23、通信接口24、电源25以及通信总线26。
128.本领域技术人员可以理解，图4中示出的结构并不构成对识别未佩戴安全帽的装置的限定，可以包括比图示更多或更少的组件。
129.本技术实施例提供的识别未佩戴安全帽的装置，包括存储器和处理器，处理器在执行存储器存储的程序时，能够实现如下方法：识别未佩戴安全帽的方法，效果同上。
130.最后，本技术还提供一种计算机可读存储介质对应的实施例。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述方法实施例中记载的步骤。
131.可以理解的是，如果上述实施例中的方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
132.本技术提供的计算机可读存储介质包括上述提到的识别未佩戴安全帽的方法，效果同上。
133.为了使本领域的技术人员更好的理解本技术的技术方案，下面结合附图5对上述本技术作进一步的详细说明，图5为本技术实施例提供的识别未佩戴安全帽的应用场景图。如图5所示，该流程包括：
134.s17：获取视频帧；
135.s18：将视频帧送入检测模型并获取头肩小图；
136.s19：将头部小肩送入分类支路进行非安全帽类别的识别；
137.s20：获取数据库；其中数据库中预先存放样本数据；
138.s21：通过数据库构建特征匹配支路；
139.s22：将非安全帽类别的头肩小图送入特征匹配支路；
140.s23：如果不匹配，则报警。
141.该方法中先在分类支路中判断目标是否未佩戴安全帽，在判断出未佩戴安全帽的情况下，进一步地通过特征匹配支路再次确定目标是否未佩戴安全帽。由此可见，通过该方法能够减少误识别为未佩戴安全帽的情况，从而提高识别佩戴安全帽的准确性。
142.以上对本技术所提供的一种识别未佩戴安全帽的方法、装置及介质进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由
于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以对本技术进行若干改进和修饰，这些改进和修饰也落入本技术权利要求的保护范围内。
143.还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。